本文介绍了两个冠军团队在 OpenImage Challenge 2019 中的解决方案。我们基于对分类和回归问题进行特征提取的实践，提出了 Decoupling Head (DH) 技术，在目标分类和定位问题中取得了巨大的性能提升。此外，我们还对 soft-NMS 算法进行了调整，提出了一种 ensemble strategy 来控制识别结果的准确性，最终我们在比赛中获得了第 1 名，并在实例级语义分割方面取得了优异的表现。

Mar, 2020

研究了密集目标检测器中存在的三个集合问题，提出了一种基于简单有效的解耦机制的新型密集物体检测器，通过在 MS COCO 基准测试上的大量实验证明其可以取得的最先进性能。

Jul, 2021

通过空间解耦 DETR（SD-DETR）设计方案和任务感知查询生成模块，以及通过引入对齐损失的新颖设计，我们在 MSCOCO 数据集上展示了在目标检测任务中 DETR 性能的显著提升，例如我们将 Conditional DETR 的性能提高了 4.5 AP。

Oct, 2023

本文提出一种 Task-aligned One-stage Object Detection（TOOD）方法，通过设计一种 Task-aligned Head（T-Head）和 Task Alignment Learning（TAL），在学习过程中显示地对齐对象分类和定位这两个任务，实验结果表明，TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。

Aug, 2021

本文提出了一种针对现有目标检测器分类失败问题设计的基于多任务学习的解决方案，其中使用一种 Decoupled Classification Refinement（DCR）网络对分类错误进行有效的样本采样和重新分类。

Mar, 2018

通过全面分析，我们发现全连接头和卷积头对于分类和定位任务具有相反的偏好，因此我们提出了一种 Double-Head 方法，其中全连接头专注于分类，卷积头用于边界框回归，该方法在 MS COCO 数据集上得到了优异的表现。

Apr, 2019

本文提出了一种新型的动态头框架，通过将特征级别之间的多个自注意力机制、空间位置之间的多个自注意力机制以及任务感知中的输出信道之间的多个自注意力机制相互结合，实现了在物体检测中头部统一化的目标，大幅改善了物体检测头部的表示能力，并且在 COCO 基准测试中取得了新的最优性能。

Jun, 2021

本文提出了一种新的监督范式，称为相互监视（MuSu），为密集探测器中的分类和回归头分别和相互分配训练样本，以确保对检测管道中的物体进行准确检测的一致性。实验结果表明，使用这种相互监视进行训练可以保证检测器的收敛性，并且在具有挑战性的 MS COCO 基准测试中验证了所提出的方法的有效性。

Sep, 2021

本文提出了一种名为 OPNet 的新架构，通过利用共享高层特征中的丰富遮挡线索和任务特定低层特征中的结构空间信息来解决现有工作中存在的两个关键问题，即缺乏可以利用两个子任务之间有限的耦合的解码器架构，以及不适当的遮挡方向表示。

Aug, 2021

该研究提出了一种通过单个 RGB 图像实现单目 3D 物体检测的方法，采用新颖的去耦合转换来实现 2D 和 3D 检测损失，以及一种新颖的自监督置信度分数来实现 3D 边界框。该方法通过隔离参数组对给定损失的贡献来解决了复杂互动参数存在的问题。同时，作者还通过改善 2D 检测结果的有符号交并比驱动损失来应用了损失去耦合。通过基于 KITTI3D 和 nuScenes 数据集的广泛实验评估和消融研究，该方法在车类别目标检测方面实现了新的最优成果。

May, 2019